中信建投证券在推进“八爪鱼”固收一体化智能平台建设过程中，其AI可解释性创新成果——论文《ConciseExplain: Reducing Redundancy and Spuriousness in Persuasive Recommendation Explanation》（《精简解释：降低推荐解释中的冗余与伪相关性问题》）于2025年8月被ACM SIGKDD 2025收录。

ACM SIGKDD（国际数据挖掘与知识发现大会，简称“KDD”）是数据挖掘与人工智能领域历史悠久、规模最大的学术盛会，因其论文录取标准严苛，被公认为该领域的国际顶级学术会议，被中国计算机学会（CCF）列为A类会议。

此次中信建投证券论文被KDD录用，实现了国内证券行业在CCF-A类国际顶级学术会议上AI可解释性成果“零的突破”，标志着中信建投证券在人工智能领域迈入国际研究前沿，也是中信建投证券推动构建“基础研究—技术攻关—成果转化”闭环的一项具体成果。

问题导向：现有“黑箱推荐”存在可信度短板

在债券发行与投资交易等业务场景中，业务人员面临的核心挑战是，如何在庞杂的债券特性与多元化投资偏好之间实现精准而高效的匹配。传统推荐算法虽然在一定程度上提升了效率，但普遍存在“只给结果、不讲逻辑”的不足，常被形容为“黑箱式”决策，难以满足金融行业对透明度与可解释性的严格要求。

以“为债券寻找投资人”为例，现有推荐系统通常能够生成一份潜在投资者清单，并给出排序结果，但缺乏可供业务人员复核的理由集合，比如投资人的期限/久期偏好、信用与行业倾向、历史申购与配售行为等。

尽管学界和业界已有一些推荐解释方法的探索，但现有方法依然存在特征冗余、特征伪相关两个突出问题，不仅削弱了推荐系统的说服力，更可能误导业务人员和投资者决策。为此，中信建投证券项目团队在债券业务场景中提出了“如何构建高质量推荐解释”这一关键问题，并以实际业务痛点为牵引，联合中国科学院计算所、鹏城实验室等科研院所专家，启动了可解释推荐算法研究。

技术创新：ConciseExplain框架让推荐更透明更可靠

针对传统“黑箱推荐”的行业痛点，团队提出了全新的ConciseExplain特征集合级解释框架。该框架的核心在于以业务逻辑为导向，运用掩码训练策略、基于梯度优化的特征子集搜索，提升解释的精准性和逻辑性，确保解释结果既简洁聚焦，又符合投资实务的逻辑要求。

在多维度评测中，ConciseExplain在解释合理性和多样性指标上分别提升了6.1%与12.4%。该成果有效解决了“黑箱推荐”的信任短板，使推荐系统从“结果导向”迈向“逻辑可解释”，为构建透明、可信、用户可理解的智能金融决策系统提供了坚实的技术支撑，为金融行业严谨场景下的智能推荐提供了可信的新范式。

业务价值：提升债券发行承销业务质效

通过在真实业务场景中验证和持续迭代，ConciseExplain在债券发行承销环节展现出显著成效，大大增强了推荐系统的可信度与业务人员的采纳率，形成了“解释更合理→结果更可信→使用率更高”的正向循环。

在“为债券推荐投资人”场景中，实现了债券发行人与潜在投资者的精准匹配，月均召回率@50（即在系统推荐的前50名投资者中，能覆盖到真实潜在目标投资人的比例）从34%提升至62%，最高达64%；准确率@50（即前50名推荐中真实有效的投资者占比）从10%提升至17%，最高达21%。

在“为投资人推荐债券”场景中，月均召回率@30（即在系统推荐的前30只债券中，能覆盖到真实目标债券的比例）从38%上升至43%，最高达70%；准确率@30（即前30只推荐债券中真实有效的债券占比）从16%提升至20%，最高达22%。

未来展望：持续深耕可信AI与智能推荐

未来，中信建投证券将在集团金融科技创新中心的指导下，聚焦丰富解释表达多样性、强化跨产品扩展性两大方向，推动解释从“可读”走向“易懂、可用”，并加快在更多业务场景落地。同时，将积极探索与监管标准和行业规范的深度对接，持续巩固公司在可信AI与智能推荐领域的领先优势，为金融科技创新和业务高质量发展不断注入新动能。（华柏）